智慧交通系统(Intelligent Transportation System,ITS)对城市交通的规划、管理和控制具有重要意义。在ITS中,交通流预测是一个重要的部分。目前,主流的交通流预测研究方案建立在对单一道路的时间序列特征的捕捉上,并没有有效的利用交通流的路网空间特征。近几年,随着电子计算机和计算方法的迅速发展,对于深度学习理论的研究也日趋火热。本文利用深度学习算法挖掘交通流的路网空间特征和时间序列特征,进而对交通流进行准确预测,为智慧交通系统提供算法支撑。本文的主要工作有:1.详细介绍了交通流的相关理论和主要参数,深入分析了交通流的数据特点。建立了交通流预测的数学模型以及评价指标,为后续的研究和实验工作奠定了基础。2.针对传统交通流预测方法未有效利用交通流的路网空间特征的缺点,提出将路网看作拓扑图结构,其中道路上的交通流作为节点的特征。首先,使用图注意力网络对观测节点的邻域节点特征进行加权求和,提取出观测节点的交通流特征以及邻域节点对其的影响。其次,采用全连接网络对所采集到的交通流特征进行整合,调整输出维度获得预测值。最后通过在真实的高速公路数据集上与差分自回归移动平均模型、支持向量回归和长短期记忆神经网络对比实验结果表明:基于图注意力的短时交通流预测模型在准确率上有显著的提高,均方根误差和平均绝对误差更小。可决系数和解释方差得分的值更高,说明了模型对于因变量的解释能力更强,能有效刻画交通流的变化规律。3.针对图注意力网络忽略了交通流的时间序列特征的缺点,构建时空图注意力网络同时获取交通流的路网空间特征和时间序列特征。首先,将路网看作拓扑图结构,其中道路上的交通流作为节点的特征,通过时空图注意力网络提取交通流的路网空间特征和时间序列特征。然后,通过全局时间注意力网络对时空图注意力网络的输出进行调节,使模型关注起到关键作用的特征。最终,采用全连接网络对全局时间注意力网络输出进行整合,调整输出维度获得预测值。在真实的高速公路数据集上的实验结果表明:相比于门控循环单元神经网络和图注意力网络,基于时空图注意力的短时交通流预测模型对于时间序列特征和路网空间特征的提取能力更强。